语言大模型 / LLM

Rethinking Model Selection in VLM Through the Lens of Gromov-Wasserstein Distance

通过格罗莫夫-瓦瑟斯坦距离重新思考VLM中的模型选择

Muyang Li, Yucheng Liu, Jianbo Ma, Elliot Osborne, Bo Han, Tongliang Liu

机构 * Sydney AI Centre, The University of Sydney（悉尼人工智能中心，悉尼大学） ； Dolby Laboratories（杜比实验室） ； TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.LG

AI总结 本文通过系统实验探讨视觉编码器选择的关键因素，发现模态间结构相似性通过格罗莫夫-瓦瑟斯坦距离衡量能提升VLM性能预测。

Comments Accepted as Highlight publication for CVPR 2026

TagRAG: Tag-guided Hierarchical Knowledge Graph Retrieval-Augmented Generation

TagRAG：基于标签的分层知识图谱检索增强生成

Wenbiao Tao, Xinyuan Li, Yunshi Lan, Weining Qian

机构 * East China Normal University（东华师范大学） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.CL

AI总结 TagRAG通过构建标签知识图谱和标签引导的检索生成框架，提升小语言模型的全局推理能力和知识增量效率，实验显示其在多个领域数据集上表现优异。

Comments Accepted by ACL 2026 Findings

Colinearity Decay: Training Quantization-Friendly ViTs with Outlier Decay

共线性衰减：通过异常衰减训练量化友好的视觉Transformer

Jin Tong, Guang Liang, Peilin Sun, Jianxin Wu

机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； Zhongguancun Academy, Beijing（中关村学院） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出Colinearity-Decay方法，通过结构正则化控制Transformer块内的矩阵对对齐，减少极端激活，提升低比特部署精度，同时保持全精度性能。

Comments 17 pages, 5 figures

Practical Limits of Autonomous Test Repair: A Multi-Agent Case Study with LLM-Driven Discovery and Self-Correction

自主测试修复的实践极限：基于LLM驱动发现与自我校正的多智能体案例研究

Hyukjoo Lee

机构 * Independent Researcher（独立研究者） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过多智能体系统在企业UI测试中的应用，探讨自主测试的限制，发现受限自主性能提升系统稳定性与可靠性，需结合验证边界和人工监督。

Comments Industrial case study; submitted for review

Towards Agentic Runtime Healing

面向代理的运行时自愈

Zhensu Sun, Haotian Zhu, Bowen Xu, Xiaoning Du, Li Li, David Lo

机构 * Singapore Management University（新加坡国立大学） ； North Carolina State University（北卡罗来纳州立大学） ； Monash University（墨尔本大学） ； Beihang University（北航） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出利用大语言模型实现动态生成错误处理策略，通过Healer框架在四个代码数据集上验证了其在运行时错误恢复中的有效性，展示了LLM在自愈系统中的潜力。

Comments Accepted by CACM

Generalized Category Discovery under Domain Shifts: From Vision to Vision-Language Models

在域偏移下进行广义类别发现：从视觉模型到视觉-语言模型

Hongjun Wang, Po Hu, Kai Han

机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究在域偏移下的广义类别发现问题，提出三种适应基础模型的框架，从自监督视觉模型到视觉-语言模型，通过多级特征提取和互信息最小化等方法提升性能。

Comments Submission to TPAMI

Learning Decomposed Contextual Token Representations from Pretrained and Collaborative Signals for Generative Recommendation

从预训练和协作信号中学习分解的上下文令牌表示以生成推荐

Yifan Liu, Yaokun Liu, Zelin Li, Zhenrui Yue, Gyuseok Lee, Ruichen Yao, Yang Zhang, Dong Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Miami University（迈阿密大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；pretraining(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出DECOR框架，通过上下文化令牌组成和分解嵌入融合，提升推荐性能，实验证明其优于现有方法。

Comments Accepted to SIGIR 2026. Full author version

AI Realtor: Towards Grounded Persuasive Language Generation for Automated Copywriting

AI 房地产经纪人：迈向基于现实的说服性语言生成以实现自动化文案写作

Jibang Wu, Chenghao Yang, Yi Wu, Simon Mahns, Chaoqi Wang, Hao Zhu, Fei Fang, Haifeng Xu

机构 * Schmidt Sciences（施密特科学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种基于大语言模型的代理框架，用于房地产营销中的自动化文案写作中的基于现实的说服性语言生成。通过系统的人类受试者实验，证明了该方法在保持事实准确性的同时，生成的营销描述更受潜在购房者青睐。

HepScript: A Dual-Use DSL for Human-AI Collaborative Data Analysis Workflows in High-Energy Physics

HepScript：一种双用途DSL，用于高能物理中的人工智能协作数据分析工作流

Junkun Jiao, Tong Liu, Ke Li, Weimin Song, Yipu Liao, Bolun Zhang, Beijiang Liu, Chang-Zheng Yuan, Yue Sun

机构 * Jilin University（吉林大学） ； Institute of High Energy Physics, CAS（高能物理研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 HepScript通过双用途DSL提升高能物理数据分析效率，减少人工编写代码93%，AI可自主生成95%的成功执行规范。

Teaching LLMs Brazilian Healthcare: Injecting Knowledge from Official Clinical Guidelines

教大语言模型巴西医疗：注入官方临床指南的知识

Hugo Abonizio, Filipe Rocha Lopes, Roberto Lotufo, Rodrigo Nogueira

机构 * FEEC, UNICAMP（UNICAMP电子工程学院） ； Maritaca AI 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 本文通过适配Qwen2.5-14B-Instruct模型，生成合成数据并采用持续预训练和GRPO方法，构建了HealthBench-BR和PCDT-QA基准，实现了在巴西医疗领域上的高准确率表现。

Democratizing the medieval English legal tradition

让中世纪英国法律传统民主化

Michael Zhang, Elise Wang, Charlotte Whatley, Seth Strickland, Dylan Bannon

机构 * University of Chicago（芝加哥大学） ； California State University（加州州立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Unaffiliated（无隶属机构） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过构建包含193个中世纪案件的文本数据集，训练端到端转录管道，利用神经网络和后处理技术提升手写文本识别准确率，最终展示TrOCR与CNN+LSTM的性能对比。

Comments Submitted to International Conference on Document Analysis and Recognition (ICDAR) 2026

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data

GraphLand：在多样工业数据上评估图机器学习模型

Gleb Bazhenov, Oleg Platonov, Liudmila Prokhorenkova

机构 * HSE University（莫斯科国立高等经济学院） ； Yandex Research（Yandex研究院） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 GraphLand引入14个多样工业数据集，评估图学习模型在不同规模和结构下的性能，探讨时间分布变化对模型的影响，并发现GBDT在工业应用中表现优异。

Comments Accepted at NeurIPS 2025 (Datasets & Benchmarks Track)

HeteroRAG: A Heterogeneous Retrieval-Augmented Generation Framework for Medical Vision Language Tasks

HeteroRAG：一种用于医疗视觉语言任务的异构检索增强生成框架

Zhe Chen, Yusheng Liao, Zhiyuan Zhu, Haolin Li, Hongcheng Liu, Yanfeng Wang, Yu Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.CL

AI总结 本文提出HeteroRAG框架，通过异构知识源增强医疗大视觉语言模型，解决异构数据检索问题，提升事实准确性与可靠性。

Comments ACL 2026 Findings

Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation

探索临床因素在零样本分割VLMs中的提示对齐用于NSCLC肿瘤分割

Suraj Pai, Thibault Heintz, Cosmin Ciausu, Marion Tonneau, Hugo Aerts, Raymond Mak

机构 * Artificial Intelligence in Medicine Program, Mass General Brigham, Harvard Medical School, USA（麻省总医院布里奇沃特医学中心人工智能医学项目，哈佛医学院，美国） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 研究通过分析VoxTell在NSCLC肿瘤数据集上的提示对齐方向，发现解剖位置主导空间注意力，零样本分割VLMs在NSCLC肿瘤分割中表现优于其他模型。

Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation

基于大语言模型的文本属性知识图谱增强用于医学概念表示

Mohsen Nayebi Kerdabadi, Arya Hadizadeh Moghaddam, Chen Chen, Dongjie Wang, Zijun Yao

机构 * University of Kansas, USA（堪萨斯大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(title)；language model(title)；prompting(abstract)

AI总结 本文提出MedCo框架，通过结合统计关联和LLM提示构建医学知识图谱，并利用LLM生成节点描述和边解释，最终融合文本语义与图结构生成统一的概念嵌入，提升临床预测性能。

Comments This paper has been accepted at ACL 2026 main conference

Latent Trajectory Dynamics in Large Language Models: A Manifold Evolution Framework with Empirical Validation

大语言模型中的潜在轨迹动力学：一种具有实证验证的流形演化框架

Yukun Zhang, Qi Dong, Mengkang Li

机构 * The Chinese University Of Hongkong（香港中文大学） ； Fudan University（复旦大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出DMET框架，通过轨迹几何指标分析大语言模型生成过程中的潜在表示演化，实验证明其能有效预测文本质量并提升生成控制。

LLM Ghostbusters: Surgical Hallucination Suppression via Adaptive Unlearning

LLM Ghostbusters: 通过自适应反学习实现精准幻觉抑制

Joseph Spracklen, Pedram Aghazadeh, Farinaz Koushanfar, Murtuza Jadliwala

机构 * University of Texas San Antonio（德克萨斯大学圣安东尼奥分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出自适应反学习框架，通过混合token级目标和自适应发现循环，有效抑制LLM幻觉，减少81%的包幻觉率，同时保持编码基准性能，验证其对特定分布的针对性效果。

Specification-Driven Code Translation Powered by Large Language Models: How Far Are We?

基于大型语言模型的规范驱动代码翻译：我们距离目标还有多远？

Soumit Kanti Saha, Fazle Rabbi, Song Wang, Jinqiu Yang

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文探讨了利用自然语言规范作为中间表示进行代码翻译的效果，通过多数据集和语言对实验发现，结合源代码可提升特定语言对的翻译质量，但整体效果不一致。

Neuro-Symbolic Agents for Hallucination-Free Requirements Reuse

神经符号代理用于无幻觉要求重用

Ahmed Ibrahim

机构 * Western University（西部大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出神经符号多代理系统，通过模型驱动 elicitation 过程实现无幻觉的要求重用，结合 LLM 和符号验证器确保结构有效性，实验显示 100% 覆盖率和 0.2% 违规率。

Automated Interpretability and Feature Discovery in Language Models with Agents

在语言模型中通过代理实现自动化可解释性和特征发现

Arnau Marin-Llobet, Javier Ferrando

机构 * Harvard University（哈佛大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；large language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一个自主多代理框架，用于自动化大型语言模型的内部特征发现与解释，通过两个耦合循环提升解释精度和可验证性。

CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning

CUE: 基于概念的多标签扩展以缓解长尾学习中的概念混淆

Ruichi Zhang, Chikai Shang, Jiacheng Yang, Mengke Li, Yang Zhou, Junlong Gao, Yang Lu

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国） ； College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国） ； Institute of High Performance Computing, A*STAR, Singapore（新加坡A*STAR高性能计算研究所） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；foundation model(abstract)

AI总结 本文提出CUE，通过引入多标签概念信号缓解长尾分布下类别间关系的破坏，实验表明其在多个长尾基准上表现优异。

Comments 10 pages. Accepted by CVPR 2026

Agentopic: A Generative AI Agent Workflow for Explainable Topic Modeling

Agentopic：一种用于可解释主题建模的生成式AI代理工作流

Brice Valentin Kok-Shun, Johnny Chan, Gabrielle Peko, David Sundaram

机构 * The University of Auckland, New Zealand（奥克兰大学，新西兰） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 Agentopic通过多代理协作实现主题识别与解释，提升可解释性与准确性，其在BBC数据集上达到0.95的F1分数，优于LDA并接近BERTopic。

Comments 16 pages, 2 figures

Constructing Interpretable Features from Compositional Neuron Groups

从组合神经元组中构建可解释特征

Or Shafran, Atticus Geiger, Mor Geva

机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（特拉维夫大学Blavatnik计算机科学与人工智能学院） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出SNMF方法，通过半非负矩阵分解直接分解MLP激活，生成稀疏线性组合的可解释特征，并在多个模型上验证其在因果操控中的优越性。

Comments Accepted at ACL 2026 main conference

Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning

生理感知的跨模态掩码重建用于生物信号表示学习

Hao Zhou, Simon A. Lee, Cyrus Tanade, Keum San Chun, Juhyeon Lee, Migyeong Gwak, Megha Thukral, Justin Sung, Eugene Hwang, Mehrab Bin Morshed, Li Zhu, Viswam Nathan, Md Mahbubur Rahman, Subramaniam Venkatraman, Sharanya Arcot Desai

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Samsung Research America（三星美国研究院） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出xMAE框架，通过跨模态掩码重建捕捉生物信号的时序关系，提升表示学习效果，在15/19下游任务中优于基线模型。

Comments Proceedings of the 43rd International Conference on Machine Learning

Semantic Context-aware mOdality fUsion Transformer (SCOUT): A Context-Aware Multimodal Transformer for Concept-Grounded Pathology Report Generation

语义上下文感知的多模态融合变换器（SCOUT）：一种基于概念的多模态变换器，用于病理报告生成

Suryakant Singh, Saarthak Kapse, Joel Saltz, Prateek Prasanna

机构 * Stony Brook University（石桥大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI

AI总结 SCOUT通过整合局部组织学模式、整张滑片上下文和专家编纂的语义描述符，实现病理报告生成的语义上下文感知，提升临床相关性和可解释性。

Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues

可解释的难度感知对话知识追踪

Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Andrew Lan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于LLM的可解释难度感知对话知识追踪框架，通过建模学生能力与问题难度，提升对话场景下的个性化支持能力。

Comments 11 pages, 5 figures

Minimizing Collateral Damage in Activation Steering

最小化激活引导中的附带损害

Tam Nguyen, Tu Anh Nguyen, Sina Alemohammad, Richard G. Baraniuk

机构 * Department of Electrical \& Computer Engineering, Rice University, Houston, USA ； Department of Computational ； Applied Mathematics, Rice University, Houston, USA ； Department of Electrical \& Computer Engineering, The University of Texas at Austin, Austin, USA 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种基于约束优化的框架，通过数学形式化附带损害并优化激活变化，以更精确地控制大语言模型行为，同时减少对无关任务性能的影响。

The Oracle's Fingerprint: Correlated AI Forecasting Errors and the Limits of Bias Transmission

预言者指纹：相关AI预测误差与偏见传递的极限

Theodor Spiro

机构 * Theodor Spiro 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究揭示大型语言模型预测误差的高度相关性，以及人类群体预测受其影响的机制，发现AI系统与人类偏见模式的相似性及传递效应。

Comments 23 pages, 3 figures, 5 tables

Separating Intelligence from Execution: A Workflow Engine for the Model Context Protocol

将智能与执行分离：一种用于模型上下文协议的工作流引擎

Abhinav Singh Parmar

机构 * Infosys 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种MCP原生编排层，将智能决策与执行分离，通过工作流蓝图减少token消耗，提升执行效率。

Comments 16 pages, 5 figures

Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting

地球系统基础模型（ESFM）：一个用于异质数据整合和预测的统一框架

Firat Ozdemir, Yun Cheng, Salman Mohebi, Fanny Lehmann, Simon Adamov, Zhenyi Zhang, Leonardo Trentini, Dana Grund, Oliver Fuhrer, Torsten Hoefler, Siddhartha Mishra, Sebastian Schemm, Benedikt Soja, Mathieu Salzmann

机构 * Swiss Data Science Center (SDSC), ETH Zurich & EPFL（瑞士数据科学中心（SDSC）、苏黎世联邦理工学院与洛桑联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； Federal Office for Meteorology and Climatology MeteoSwiss（联邦气象与气候办公室MeteoSwiss） ； Institute of Geodesy and Photogrammetry, ETH Zurich（苏黎世联邦理工学院测绘与摄影测量研究所） ； Computational and Applied Mathematics Laboratory, ETH Zurich（苏黎世联邦理工学院计算与应用数学实验室） ； Institute for Atmospheric and Climate Science (IAC), ETH Zurich（大气与气候科学研究所（IAC）、苏黎世联邦理工学院） ； Scalable Parallel Computing Lab, ETH Zurich（可扩展并行计算实验室、苏黎世联邦理工学院） ； Dep. of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系、剑桥大学） 纠错

专题命中 其他LLM ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出ESFM，一个基于3D Swin UNet的开放模型，通过扩展编码方案和轴向注意力机制，实现对多源异质数据的整合与预测，提升气候科学应用性能。

Comments ESFM is available on https://github.com/swiss-ai/ESFM. 48 pages, 29 figures, 18 tables